中国公里网格GDP数据集（2019年、2020年）：深度学习+地理加权集成模型完整技术说明
摘要：基于深度回归模型（GDPnet）和考虑空间异质性的地理加权集成学习模型（GWSE），利用社会感知等多源地理空间大数据生产的2019年和2020年中国1km×1km网格GDP数据集。将传统行政单元统计GDP空间降尺度为网格数据，便于与遥感网格化环境变量集成应用。
关键词：中国GDP网格 · 1km分辨率 · 深度学习 · GDPnet · 地理加权回归 · 社会感知 · 空间降尺度
数据代码：
公里网格GDP-年份（2019 / 2020）系列索引：25.全球1km逐年PM2.5 | 26.中国100m七普年龄分层人口网格 | 28.中国公里网格GDP（本文）
0. 数据档案
1. 免费获取方式
数据由微信公众号 YouGIS顽石 整理分享，完全免费。
方式一：YouGIS 公众号关键词（推荐）
关注微信公众号 YouGIS顽石，发送关键词：
系统自动回复 百度网盘 + 夸克网盘 双链接。
方式二：YouGIS 数据助手
2. 数据背景
2.1 为什么需要网格化GDP
GDP（国内生产总值）是衡量地区经济发展水平的核心指标。传统GDP数据以省、市、县的行政单元统计，存在两个关键问题：
无法刻画空间细节：行政单元内部的GDP分布无从得知
难以与遥感数据集成：遥感获取的网格化环境变量与行政边界GDP无法直接匹配
网格化的GDP数据将行政单元GDP降尺度到1km网格，可解决上述问题，为地学领域的数据共享和空间统计分析带来极大便利。
2.2 数据怎么做的
研究团队充分利用社会感知等多源数据，构建了两个互补模型：
模型一：GDPnet（深度回归模型）
利用深度学习强大的特征提取能力，融合多源地理空间大数据（夜间灯光、POI、路网、土地利用等），构建基于深度神经网络的GDP空间降尺度模型。
模型二：GWSE（地理加权集成学习）
考虑GDP的空间异质性，采用地理加权集成学习模型，在不同空间位置采用不同的局部模型参数，提升空间降尺度的精度。
2.3 数据应用价值
3. 技术规格
4. 数据使用方法
4.1 Python 读取
import rasterio
import numpy as np
# 读取GDP栅格
with rasterio.open('gdp_2020.tif') as src:
gdp = src.read(1)
profile = src.profile
# 按区域统计GDP
total_gdp = np.nansum(gdp)
print(f"区域GDP总和：{total_gdp:.2f}")
4.2 按行政区汇总
import rasterio
import rasterstats
import numpy as np
# 按行政区边界汇总网格GDP
stats = rasterstats.zonal_stats(
'admin_boundary.shp',
'gdp_2020.tif',
stats='sum'
)
for i, s in enumerate(stats):
print(f"区域{i}: GDP = {s['sum']:.2f}")
4.3 GDP密度可视化
import rasterio
import matplotlib.pyplot as plt
with rasterio.open('gdp_2020.tif') as src:
gdp = src.read(1)
fig, ax = plt.subplots(figsize=(10, 8))
im = ax.imshow(gdp, cmap='YlOrRd')
plt.colorbar(im, label='GDP')
ax.set_title('2020年中国公里网格GDP')
plt.savefig('gdp_2020.png', dpi=300)
5. 适用场景
6. 使用注意事项
6.1 引用要求
Chen Yuehong, Wu Guohao, Ge Yong*, & Xu Zekun, 2022. Mapping gridded gross domestic product distribution of China using deep learning with multiple geospatial big data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 15, 1791-1802.
Xu Zekun, Wang Yu, Sun Guihou, Chen Yuehong*, Ma Qiang, Zhang Xiaoxiang, 2023. Generating gridded gross domestic product data for China using geographically weighted ensemble learning. ISPRS International Journal of Geo-Information 12(3), 123.
6.2 非商业用途
仅限用于非商业目的的科学研究与学术交流。
7. 常见问题
Q1: 网格化GDP和传统统计GDP有什么区别？
传统GDP以行政单元统计（如"某省GDP XX亿元"），无法反映内部空间分布。网格化GDP将GDP分配到1km网格中，可精确到每个网格的GDP值。
Q2: GDPnet和GWSE两个模型有什么区别？
GDPnet基于深度学习，擅长从大数据中提取非线性特征；GWSE考虑空间异质性，在不同区域采用不同参数。两者互补使用。
Q3: 2019年和2020年数据可以比较吗？
可以。两年的数据基于相同的模型框架，具备可比性。
参考文献
Chen, Y., Wu, G., Ge, Y., & Xu, Z. (2022). IEEE JSTARS, 15, 1791-1802.
Xu, Z., Wang, Y., Sun, G., Chen, Y., et al. (2023). ISPRS IJGI, 12(3), 123.
国家地球系统科学数据中心-长江三角洲分中心：http://geodata.nnu.edu.cn
数据来源：国家地球系统科学数据中心-长江三角洲分中心 | 整理分享：YouGIS顽石
评论区